CN118133338A - 基于联邦学习的复杂机电系统数据协同管理系统 - Google Patents
基于联邦学习的复杂机电系统数据协同管理系统 Download PDFInfo
- Publication number
- CN118133338A CN118133338A CN202410148952.1A CN202410148952A CN118133338A CN 118133338 A CN118133338 A CN 118133338A CN 202410148952 A CN202410148952 A CN 202410148952A CN 118133338 A CN118133338 A CN 118133338A
- Authority
- CN
- China
- Prior art keywords
- model
- global
- equipment
- updating
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 19
- 238000013523 data management Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于联邦学习的复杂机电系统数据协同管理系统,属于数据管理领域。所述系统包括:数据采集设备,用于采集本地数据,实时进行本地模型训练,将得到的本地更新模型发送至全局更新模型确定设备;全局更新模型确定设备,用于对本地更新模型整合,将得到的全局更新模型发送至全局模型更新设备;全局模型更新设备,用于初始化全局模型,更新全局模型,获取机电系统的电力需求信息,确定电力分配策略,发送至机电系统。本申请引入全局更新模型确定设备,使得设备间通信更灵活,提高系统整体效率;还能维持系统的负载平衡,作为一个额外的安全层,能够防止隐私泄露;通过制定电力分配策略能合理规划电力分配,提高电力系统的可靠性。
Description
技术领域
本申请涉及数据管理领域,具体涉及一种基于联邦学习的复杂机电系统数据协同管理系统。
背景技术
随着工业信息化不断发展,机电系统也随之得到发展,复杂机电系统的组成设备数量庞大、构造复杂,在运行过程中容易出现故障,一个故障往往对应若干个可能原因,需要若干个诊断操作动作来进行可能原因类型确认。
复杂机电系统在进行数据协同管理过程中,常常存在由于隐私泄露以及通信成本过高从而导致用户流失以及系统效率降低的问题发生。而联邦学习允许在不共享原始数据的情况下进行模型训练,可以有效保护用户隐私。并且联邦学习通过在本地训练,只传递模型参数的更新,可以减少中央服务器与设备之间的传输量,降低通信开销。如今在使用联邦学习进行数据协同管理过程中,底层设备通过本地数据训练本地模型,并将模型更新传输给顶层设备。顶层设备收集并整合来自底层设备的更新,执行全局模型的聚合。新的全局模型更新再次传输至底层设备,使每个设备的模型得以更新。这个过程迭代进行,不断整合各地设备的局部信息,逐步形成全局模型。
而在现有技术中,底层设备直接与顶层设备通信,如果底层设备数量庞大,每轮模型训练都需要与顶层设备进行通信,可能导致较大的通信压力和网络负担。并且随着底层设备数量的增加,系统的管理和协调也会变得更加复杂。
发明内容
为了克服上述缺陷,本申请实施例提供一种基于联邦学习的复杂机电系统数据协同管理系统,解决了现有技术中底层设备直接与顶层设备通信所导致的通信压力和网络负担增强,并且随着底层设备数量的增加,系统的管理和协调也会变得更加复杂的问题。
第一方面,本申请实施例提供了一种基于联邦学习的复杂机电系统数据协同管理系统,所述系统包括:至少两台数据采集设备、至少两台全局更新模型确定设备以及全局模型更新设备;
数据采集设备,与所述全局更新模型确定设备连接,用于采集本地数据,根据所述本地数据实时进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备;
全局更新模型确定设备,与所述全局模型更新设备连接,用于接收数据采集设备传输的本地更新模型,并使用模型聚合算法对所述本地更新模型进行整合,得到至少一个全局更新模型,并将所述至少一个全局更新模型发送至全局模型更新设备;其中,模型聚合算法为:
;
其中,表示得到的全局更新模型中的全局更新模型参数;K表示联邦学习中的数据采集设备数量;k表示设备的索引;/>表示设备k上的样本数量;/>表示设备k在时间t上的本地更新模型参数;/>表示学习率,控制模型参数的更新步长;/>表示设备k上在当前模型参数/>下的损失函数的梯度;/>表示联邦学习中的正则化参数;/>表示当前设备k上本地更新模型参数和全局更新模型参数之间的差异;
全局模型更新设备,用于初始化全局模型,接收各全局更新模型确定设备传输的全局更新模型,并根据所述至少一个全局更新模型更新所述全局模型。
全局模型更新设备,还用于获取机电系统的电力需求信息,根据所述全局模型以及所述电力需求信息确定电力分配策略,并将所述电力分配策略发送至机电系统,供所述机电系统根据所述电力分配策略管理电力分配。
进一步的,所述数据采集设备,还用于:
获取预先存储的模型训练时间间隔,根据所述模型训练时间间隔以及本地数据进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备。
进一步的,所述数据采集设备,还用于:
向全局更新模型确定设备发送加密算法确定请求,并接收所述全局更新模型确定设备反馈的加密算法支持列表,根据所述加密算法支持列表以及预先确定的加密算法确定规则,确定第一加密算法;
将所述第一加密算法传发送至全局更新模型确定设备,供所述全局更新模型确定设备根据所述第一加密算法与所述数据采集设备进行通信。
进一步的,所述数据采集设备,还用于:
根据所述第一加密算法对本地更新模型进行加密,得到加密密文,并将所述加密密文发送至全局更新模型确定设备;
相应的,所述全局更新模型确定设备用于:
接收数据采集设备传输的加密密文,根据所述第一加密算法确定对应的解密算法,并使用所述解密算法对所述加密密文进行解密,得到本地更新模型。
进一步的,所述全局更新模型确定设备还用于:
向全局模型更新设备发送加密算法确定请求,并接收所述全局模型更新设备反馈的加密算法支持列表,根据所述加密算法支持列表以及加密算法确定规则,确定第二加密算法;
将所述第二加密算法传发送至全局模型更新设备,供所述全局模型更新设备根据所述第二加密算法与所述全局更新模型确定设备进行通信。
进一步的,所述全局更新模型确定设备还用于:
根据所述第二加密算法对全局更新模型进行加密,得到加密密文,并将所述加密密文发送至全局模型更新设备;
相应的,所述全局模型更新设备用于:
接收全局更新模型确定设备传输的加密密文,根据所述第二加密算法确定对应的解密算法,并使用所述解密算法对所述加密密文进行解密,得到全局更新模型。
进一步的,所述全局更新模型确定设备还用于:
实时获取所连接的各数据采集设备的位置信息,根据所述位置信息以及预先设置的连接距离阈值确定是否存在超出连接距离阈值的第一目标数据采集设备;
若存在超出连接距离阈值的第一目标数据采集设备,则向其他全局更新模型确定设备发出当前位置获取请求,并接收其他全局更新模型确定设备传输的当前位置信息;
根据所述当前位置信息以及所述第一目标数据采集设备的位置信息,确定其他全局更新模型确定设备与所述第一目标数据采集设备的连接距离,并将连接距离最短的全局更新模型确定设备确定为第一目标全局更新模型确定设备;
获取所述第一目标数据采集设备的标识信息,根据所述标识信息生成第一目标数据采集设备重分配请求,并将所述第一目标数据采集设备重分配请求发送至第一目标全局更新模型确定设备,供所述第一目标全局更新模型确定设备根据所述数据采集设备重分配请求与所述第一目标数据采集设备进行连接。
进一步的,所述全局更新模型确定设备还用于:
实时监测自身实时负载,确定所述实时负载是否超过预先设置的负载阈值;
若超过预先设置的负载阈值,则获取所连接的数据采集设备的负载信息,根据所述负载信息以及预先设置的断连策略,确定所要断开连接的第二目标数据采集设备,并关闭与所述第二目标数据采集设备的通信通道;
向其他全局更新模型确定设备发送实时负载信息获取请求,并接收其他全局更新模型确定设备传输的实时负载信息;
获取所述第二目标数据采集设备的负载信息,根据所述第二目标数据采集设备的负载信息、所述其他全局更新模型确定设备传输的实时负载信息,以及预先设置的负载策略确定与第二目标数据采集设备连接的第二目标全局更新模型确定设备;
获取所述第二目标数据采集设备的标识信息,根据所述标识信息生成第二目标数据采集设备重分配请求,并将所述第二目标数据采集设备重分配请求发送至第二目标全局更新模型确定设备,供所述第二目标全局更新模型确定设备根据所述数据采集设备重分配请求与所述第二目标数据采集设备进行重连接。
进一步的,所述全局模型更新设备还用于:
确定所生成的全局模型是否达到预先设置的全局模型评估标准;
若未达到全局模型评估标准,则持续向全局更新模型确定设备发送全局更新模型继续获取指令,供所述全局更新模型确定设备根据全局更新模型继续获取指令持续生成本地更新模型继续获取指令,并发送至数据采集设备,接收所述数据采集设备根据所述本地更新模型继续获取指令持续生成的至少一个本地更新模型,以及根据所述至少一个本地更新模型持续生成至少一个全局更新模型,并发送至全局模型更新设备;
接收所述全局更新模型确定设备持续生成的至少一个全局更新模型,根据所述至少一个全局更新模型持续更新所述全局模型,直至所述全局模型达到预先设置的全局模型评估标准。
进一步的,所述全局更新模型确定设备还用于:
若接收到用户传输的业务变化信息,则根据所述业务变化信息以及本地更新模型重新生成全局更新模型,并将所述全局更新模型传输给所述全局模型更新设备,供所述全局模型更新设备根据所述全局更新模型更新全局模型。
在本申请实施例中,数据采集设备,与所述全局更新模型确定设备连接,用于采集本地数据,根据所述本地数据实时进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备;全局更新模型确定设备,与所述全局模型更新设备连接,用于接收数据采集设备传输的本地更新模型,并使用模型聚合算法对所述本地更新模型进行整合,得到至少一个全局更新模型,并将所述至少一个全局更新模型发送至全局模型更新设备;全局模型更新设备,用于初始化全局模型,接收各全局更新模型确定设备传输的全局更新模型,并根据所述至少一个全局更新模型更新所述全局模型。通过上述基于联邦学习的复杂机电系统数据协同管理系统,全局更新模型确定设备的引入可以使得数据采集设备能更灵活的与全局模型更新设备通信,提高了系统整体效率;并且可以维持系统的负载平衡,同时可以作为一个额外的安全层,能够防止隐私泄露。
附图说明
图1是本申请实施例一提供的基于联邦学习的复杂机电系统数据协同管理系统的结构示意图;
图2是本申请实施例一提供的设备连接示意图;
图3是本申请实施例二提供的基于联邦学习的复杂机电系统数据协同管理系统的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的基于联邦学习的复杂机电系统数据协同管理系统进行详细地说明。
实施例一:图1是本申请实施例一提供的基于联邦学习的复杂机电系统数据协同管理系统的结构示意图。所述系统包括:至少两台数据采集设备101、至少两台全局更新模型确定设备102以及全局模型更新设备103;如图1所示,具体包括如下:
数据采集设备101,与所述全局更新模型确定设备连接,用于采集本地数据,根据所述本地数据实时进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备;
全局更新模型确定设备102,与所述全局模型更新设备连接,用于接收数据采集设备传输的本地更新模型,并使用模型聚合算法对所述本地更新模型进行整合,得到至少一个全局更新模型,并将所述至少一个全局更新模型发送至全局模型更新设备;其中,模型聚合算法为:
;
其中,表示得到的全局更新模型中的全局更新模型参数;K表示联邦学习中的数据采集设备数量;k表示设备的索引;/>表示设备k上的样本数量;表示学习率,控制模型参数的更新步长;下的损失函数的梯度;/>表示联邦学习中的正则化参数;/>表示当前设备k上本地更新模型参数和全局更新模型参数之间的差异;
全局模型更新设备103,用于初始化全局模型,接收各全局更新模型确定设备传输的全局更新模型,并根据所述至少一个全局更新模型更新所述全局模型。
全局模型更新设备103,还用于获取机电系统的电力需求信息,根据所述全局模型以及所述电力需求信息确定电力分配策略,并将所述电力分配策略发送至机电系统,供所述机电系统根据所述电力分配策略管理电力分配。
首先,本方案的使用场景可以是数据采集设备采集本地数据后,根据本地数据进行训练得到本地更新模型,并将本地更新模型传输给全局更新模型确定设备,全局更新模型确定设备根据本地更新模型以及相应算法生成全局更新模型,并将全局更新模型传输给全局模型更新设备,全局模型更新设备根据全局更新模型更新初始化的全局模型的场景。
基于上述使用场景,可以理解的,本申请的执行主体可以是该基于联邦学习的复杂机电系统数据协同管理系统,此处不做过多的限定。
本方案中,图2是本申请实施例一提供的设备连接示意图,如图2所示,每台全局模型更新设备可以连接多台全局更新模型确定设备,但最少连接两台全局更新模型确定设备,其中,a1,a2.......an(n≥2)为全局更新模型确定设备的编号。每台全局更新模型确定设备可以连接多台数据采集设备,但至少连接一台数据采集设备,其中,b1,b2......bn(n≥2)为数据采集设备的编号。
本方案中,数据采集设备可以是指实际携带或生成本地数据的设备,例如智能手机、传感器或其他采集数据的设备。
本地数据可以是指由数据采集设备本地收集的数据,具体的,可以包含用户行为以及传感器读数等数据,这是用于在数据采集设备上进行本地模型训练的原始数据。例如,在工业生产环境中,本地数据可以是工厂中的环境数据,如工厂温度数据以及工厂湿度数据等。在汽车中,本地数据可以是车辆状态数据以及驾驶行为数据。
本地更新模型可以是数据采集设备使用本地数据进行模型训练,得到的模型参数更新。本地更新模型是一个部分训练的模型。例如,在汽车传感器中,如果任务是分析驾驶行为,本地更新模型可以包含有关汽车速度、加速度、刹车、单次行驶里程以及转向等方面的模型参数更新,以反映车辆及驾驶者的行为。
全局更新模型确定设备可以是负责收集并整合数据采集设备生成的本地更新模型的设备,并生成新的全局更新模型,并将其传输给全局模型更新设备。
数据采集设备可以通过运行应用程序采集本地数据,例如智能手机可以运行应用程序,这些应用程序再通过手机内置的传感器获取数据,如获取用户运动步数数据以及用户位置数据等。当获得本地数据后,数据采集设备可以使用本地数据来训练本地模型,具体的,可以采用在线学习的方式,在收集到新数据后即时更新模型,得到的本地模型可以是各种机器学习或深度学习模型。而针对本地数据训练得到的模型参数就是本地更新模型,反映了设备所收集数据的特征。当得到本地更新模型后,可以使用网络通信技术将本地更新模型发送至全局更新模型确定设备。
模型聚合算法可以是用于合并来自不同数据采集设备的本地更新模型以形成全局更新模型的算法,具体的,模型聚合算法为:
;
其中,表示得到的全局更新模型中的全局更新模型参数;K表示联邦学习中的数据采集设备数量;k表示设备的索引;/>表示设备k上的样本数量;表示学习率,控制模型参数的更新步长;下的损失函数的梯度;/>表示联邦学习中的正则化参数;/>表示当前设备k上本地更新模型参数和全局更新模型参数之间的差异;。具体的,对于每个设备k,模型的更新可以包括以下几个部分:
为设备k根据自身的本地数据计算出的梯度方向,通过梯度下降来更新本地更新模型参数;
为正则化项,用于约束本地更新模型参数与全局更新模型参数之间的差异,避免模型过分依赖某个设备;
求和操作为对所有设备的更新进行求和,得到全局更新模型的更新;
为对每个设备的更新进行加权,权重为设备上的样本数量,以考虑不同设备的贡献。
全局更新模型可以是通过整合数据采集设备的本地模型更新形成的模型更新。
全局模型更新设备可以是负责管理和更新全局模型的设备,可以汇总以及整合各个全局更新模型确定设备传来的全局更新模型,并用这些来更新全局模型。
全局更新模型确定设备可以通过网络通信接收数据采集设备传输的本地更新模型,然后利用模型聚合算法,对接收到的本地模型更新进行整合,具体的,可以包括加权平均以及梯度累加等方式进行整合,整合后的结果即为生成的至少一个全局更新模型。最后通过网络通信的方式将至少一个全局更新模型发送至全局模型更新设备。
全局模型可以是整个系统中被共同学习和更新的模型。初始时,全局模型可能是一个随机初始化的模型,也可以是预先训练好的模型。随着联邦学习的迭代,使用来自全局更新模型确定设备的全局更新模型逐步更新这个全局模型。
全局模型更新设备可以为全局模型进行初始化,具体的,可以是一个随机初始化的模型,也可以是使用预训练的模型权重。随后的联邦学习迭代中,全局模型更新设备可以利用网络通信接收从各个中层设备传来的全局更新模型。再利用整合算法,对接收到的全局更新模型进行整合,具体的,可以包括加权平均以及梯度累加等方式。整合后的结果即为更新后的全局模型。
电力需求信息可以是系统中各个设备、用户或发电站的电力需求数据,具体的,这些数据可以包括功率需求、电能需求以及负载曲线等。
电力分配策略可以是全局模型根据电力需求信息、系统状态和优化算法等因素制定的一套方案,用于指导各个发电站如何分配电力以满足整体系统的需求,具体的,可以包括发电站的输出功率、启动备用设备以及调整运行参数等。
机电系统可以是一个集成了各种电力设备、发电站、传感器和控制系统的复杂系统,用于产生、传输和分配电力。
全局模型更新设备可以向机电系统发送电力需求信息获取请求,机电系统中的底层设备通过传感器、监测设备等实时采集电力需求信息,具体的,可以包括各个设备的当前状态、用电负载以及未来的用电预测等,然后将采集到的电力需求信息通过无线通信技术传输到全局模型更新设备。全局模型使用接收到的电力需求信息,可以结合历史数据和其他参数,进行电力需求预测和优化算法,从而制定电力分配策略。制定好的电力分配策略可以通过无线通信技术传输回机电系统,供机电系统根据策略进行实际的电力分配。机电系统接收到电力分配策略后,可以根据策略管理各个发电站的运行,具体的,可以包括调整输出功率、启动备用设备以及协调能源存储系统等。
在本申请实施例中,数据采集设备,与所述全局更新模型确定设备连接,用于采集本地数据,根据所述本地数据实时进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备;全局更新模型确定设备,与所述全局模型更新设备连接,用于接收数据采集设备传输的本地更新模型,并使用模型聚合算法对所述本地更新模型进行整合,得到至少一个全局更新模型,并将所述至少一个全局更新模型发送至全局模型更新设备;全局模型更新设备,用于初始化全局模型,接收各全局更新模型确定设备传输的全局更新模型,并根据所述至少一个全局更新模型更新所述全局模型。全局模型更新设备,还用于获取机电系统的电力需求信息,根据所述全局模型以及所述电力需求信息确定电力分配策略,并将所述电力分配策略发送至机电系统,供所述机电系统根据所述电力分配策略管理电力分配。通过上述基于联邦学习的复杂机电系统数据协同管理系统,全局更新模型确定设备的引入可以使得数据采集设备能更灵活的与全局模型更新设备通信,提高系统整体效率。并且可以维持系统的负载平衡,同时可以作为一个额外的安全层,防止隐私泄露。制定电力分配策略可以合理规划电力分配,提高电力系统的可靠性。
在上述技术方案的基础上,可选的,所述数据采集设备,还用于:
获取预先存储的模型训练时间间隔,根据所述模型训练时间间隔以及本地数据进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备。
模型训练时间间隔可以是指数据采集设备从预先存储的信息中获取的一个时间间隔,用于确定何时进行本地模型训练。这个时间间隔可以是设备自动定期执行本地模型训练的周期,以确保模型能够及时地适应新的本地数据。
数据采集设备可以通过配置或设定参数的方式获取预先存储的模型训练时间间隔。并根据这个时间间隔和本地数据进行本地模型训练,具体的,可以包括在指定的时间点或时间间隔内,对本地收集的数据进行处理和训练,产生本地更新模型。当得到本地更新模型后,可以利用网络通信将本地更新模型传输给全局更新模型确定设备。
本方案中,根据一定时间间隔进行模型训练,降低了频繁训练所需的计算和通信成本。并且能将训练任务分散到较长时间内,降低了网络压力,提高了系统的稳定性。
在上述技术方案的基础上,可选的,所述全局更新模型确定设备还用于:
向全局模型更新设备发送加密算法确定请求,并接收所述全局模型更新设备反馈的加密算法支持列表,根据所述加密算法支持列表以及加密算法确定规则,确定第二加密算法;
将所述第二加密算法传发送至全局模型更新设备,供所述全局模型更新设备根据所述第二加密算法与所述全局更新模型确定设备进行通信。
本方案中,加密算法支持列表可以是全局模型更新设备回复给全局更新模型确定设备的消息,其中包含该设备支持的加密算法列表,即它可以使用的加密方法。
第二加密算法可以是全局更新模型确定设备根据接收到的加密算法支持列表和设定的加密算法确定规则,选择使用的第二加密算法。第二加密算法可以是全局模型更新设备以及全局更新模型确定设备共有的加密算法。
加密算法确定规则可以规定了全局更新模型确定设备在选择加密算法时的决策标准,具体的,可以基于安全性以及设备兼容性等因素确定具体的决策标准。加密算法确定规则可以指导全局更新模型确定设备在收到支持列表后如何选择首选的加密算法。
全局更新模型确定设备可以通过安全通道向全局模型更新设备发送请求,询问其支持的加密算法。全局模型更新设备接收到请求后,回复包含其支持的加密算法列表的消息。当全局更新模型确定设备接收到全局模型更新设备发送的加密算法列表后,可以与自身的加密算法列表进行比较,若存在多个重复的加密算法,可以根据预先定义的加密算法确定规则确定对应的第二加密算法。
当确定第二加密算法后,全局更新模型确定设备可以通过安全通道将第二加密算法传输给全局模型更新设备。
本方案中,全局更新模型确定设备根据全局模型更新设备的加密算法支持列表,以及预先确定的加密算法确定规则确定第二加密算法,可以根据实际需求选择更合适的算法,提高系统灵活性。
在上述技术方案的基础上,可选的,所述全局更新模型确定设备还用于:
根据所述第二加密算法对全局更新模型进行加密,得到加密密文,并将所述加密密文发送至全局模型更新设备;
相应的,所述全局模型更新设备用于:
接收全局更新模型确定设备传输的加密密文,根据所述第二加密算法确定对应的解密算法,并使用所述解密算法对所述加密密文进行解密,得到全局更新模型。
本方案中,加密密文可以是指通过加密算法对本地更新模型进行处理后得到的密文。是一个经过保密处理的数据形式,只有拥有相应解密密钥的设备或系统能够还原出原始的全局更新模型。
全局更新模型确定设备可以在加密全局更新模型时,首先根据之前确定的第二加密算法,将全局更新模型进行加密处理,具体的,可以使用加密密钥以及算法参数等信息进行加密处理。加密后的结果就是加密密文,然后全局更新模型确定设备可以将这个加密密文利用安全通道发送给全局模型更新设备。
解密算法可以是与加密算法相对应的方法,用于将加密过的数据恢复为原始的明文。解密算法是根据选择的加密算法的特性和参数所确定的。
全局模型更新设备可以通过安全通道接收全局更新模型确定设备传输的加密密文,并根据之前确定的第二加密算法,对接收到的加密密文进行解密,具体的,需要使用与加密过程相对应的解密算法和密钥将加密密文还原成原始的全局更新模型。
本方案中,使用加密算法可以提高全局更新模型传输的安全性,避免受到未经授权的访问以及篡改。并且对全局更新模型进行加解密还可以验证全局更新模型的完整性,避免出现传递过程的损坏现象。
在上述技术方案的基础上,可选的,所述全局模型更新设备还用于:
确定所生成的全局模型是否达到预先设置的全局模型评估标准;
若未达到全局模型评估标准,则持续向全局更新模型确定设备发送全局更新模型继续获取指令,供所述全局更新模型确定设备根据全局更新模型继续获取指令持续生成本地更新模型继续获取指令,并发送至数据采集设备,接收所述数据采集设备根据所述本地更新模型继续获取指令持续生成的至少一个本地更新模型,以及根据所述至少一个本地更新模型持续生成至少一个全局更新模型,并发送至全局模型更新设备;
接收所述全局更新模型确定设备持续生成的至少一个全局更新模型,根据所述至少一个全局更新模型持续更新所述全局模型,直至所述全局模型达到预先设置的全局模型评估标准。
本方案中,预先设置的全局模型评估标准可以是用于确定生成的全局模型是否符合系统要求的一组预定标准,具体的,这些标准可能包括模型的准确度、泛化性能以及收敛速度等方面的要求。
全局模型更新设备可以获取用于评估的测试数据集,该数据集应该与模型训练时使用的数据集独立,以确保评估的客观性。同时需要确保测试数据覆盖了各种情况,以全面评估模型性能。使用测试数据集对生成的全局模型进行评估,将评估结果与预先设置的全局模型评估标准进行比较,根据评估结果的比较,可以决定全局模型是否满足要求。
全局更新模型继续获取指令可以是指全局模型更新设备向全局更新模型确定设备发出的指令,目的是让全局更新模型确定设备继续生成新的全局更新模型。
在未达到全局模型评估标准时,全局模型更新设备可以持续向全局更新模型确定设备发送继续获取指令。
全局模型更新设备可以通过安全通道接收来自全局更新模型确定设备的至少一个全局更新模型。根据预先设定的整合策略,全局模型更新设备将接收到的全局更新模型进行整合,经过整合后的模型用于更新当前的全局模型,具体的,可以包括模型参数的调整以及权重更新等步骤。更新后的全局模型会通过事先设置的评估标准进行评估,以确定是否达到预期的性能指标。如果全局模型未达到预先设定的标准,全局模型更新设备会继续接收新的全局更新模型,并重复以上步骤,直至满足预先设定的评估标准为止。
本方案中,进行全局模型的评估可以确定全局模型是否满足用户需求,若不满足则持续改进,有助于保持系统处于最佳状态。
在上述技术方案的基础上,可选的,所述全局更新模型确定设备还用于:
若接收到用户传输的业务变化信息,则根据所述业务变化信息以及本地更新模型重新生成全局更新模型,并将所述全局更新模型传输给所述全局模型更新设备,供所述全局模型更新设备根据所述全局更新模型更新全局模型。
本方案中,业务变化信息可以包含业务需求的修改以及目标任务的变更等方面的信息。
全局更新模型确定设备可以接收来自用户的业务变化信息,具体的,可以包括业务需求的调整以及新任务的要求等。根据接收到的业务变化信息以及当前的本地更新模型,全局更新模型确定设备重新生成全局更新模型,具体的,可以包括调整模型参数以及增加新任务的权重等。重新生成的全局更新模型可以被传输至全局模型更新设备,全局模型更新设备接收到新的全局更新模型后,使用该模型对全局模型进行更新,确保模型反映了最新的业务需求和任务。
本方案中,根据用户的需求实时更新全局更新模型,可以提高对业务变化的响应速度,提升用户满意度,并且可以保持系统整体性能,避免使用过时模型的情况发生。
实施例二:图3是本申请实施例二提供的基于联邦学习的复杂机电系统数据协同管理系统的结构示意图。如图3所示,具体包括如下:
所述数据采集设备101,还用于:
向全局更新模型确定设备发送加密算法确定请求,并接收所述全局更新模型确定设备反馈的加密算法支持列表,根据所述加密算法支持列表以及预先确定的加密算法确定规则,确定第一加密算法;
将所述第一加密算法传发送至全局更新模型确定设备,供所述全局更新模型确定设备根据所述第一加密算法与所述数据采集设备进行通信。
本实施例中,加密算法确定请求可以是数据采集设备向全局更新模型确定设备发送的请求,询问全局更新模型确定设备支持的加密算法列表。
加密算法支持列表可以是全局更新模型确定设备回复给数据采集设备的消息,其中包含该设备支持的加密算法列表,即它可以使用的加密方法。
第一加密算法可以是数据采集设备根据接收到的加密算法支持列表和设定的加密算法确定规则,选择使用的第一加密算法。第一加密算法可以是全局更新模型确定设备以及数据采集设备共有的加密算法。
加密算法确定规则可以规定了数据采集设备在选择加密算法时的决策标准,具体的,可以基于安全性以及设备兼容性等因素确定具体的决策标准。加密算法确定规则可以指导数据采集设备在收到支持列表后如何选择首选的加密算法。
数据采集设备可以通过安全通道向全局更新模型确定设备发送请求,询问其支持的加密算法。全局更新模型确定设备接收到请求后,回复包含其支持的加密算法列表的消息。当数据采集设备接收到全局更新模型确定设备发送的加密算法列表后,可以与自身的加密算法列表进行比较,若存在多个重复的加密算法,可以根据预先定义的加密算法确定规则确定对应的第一加密算法。
当确定第一加密算法后,数据采集设备可以通过安全通道将第一加密算法传输给全局更新模型确定设备。
本实施例中,数据采集设备根据全局更新模型确定设备的加密算法支持列表,以及预先确定的加密算法确定规则确定第一加密算法,可以根据实际需求选择更合适的算法,提高系统灵活性。
在上述技术方案的基础上,可选的,所述数据采集设备,还用于:
根据所述第一加密算法对本地更新模型进行加密,得到加密密文,并将所述加密密文发送至全局更新模型确定设备;
相应的,所述全局更新模型确定设备用于:
接收数据采集设备传输的加密密文,根据所述第一加密算法确定对应的解密算法,并使用所述解密算法对所述加密密文进行解密,得到本地更新模型。
本方案中,加密密文可以是指通过加密算法对本地更新模型进行处理后得到的密文。是一个经过保密处理的数据形式,只有拥有相应解密密钥的设备或系统能够还原出原始的本地更新模型。
数据采集设备可以在加密本地更新模型时,首先根据之前确定的第一加密算法,将本地更新模型进行加密处理,具体的,可以使用加密密钥以及算法参数等信息进行加密处理。加密后的结果就是加密密文,然后数据采集设备可以将这个加密密文利用安全通道发送给全局更新模型确定设备。
解密算法可以是与加密算法相对应的方法,用于将加密过的数据恢复为原始的明文。解密算法是根据选择的加密算法的特性和参数所确定的。
全局更新模型确定设备可以通过安全通道接收数据采集设备传输的加密密文,并根据之前确定的第一加密算法,对接收到的加密密文进行解密,具体的,需要使用与加密过程相对应的解密算法和密钥将加密密文还原成原始的本地更新模型。
本方案中,使用加密算法可以提高本地更新模型传输的安全性,避免受到未经授权的访问以及篡改。并且对本地更新模型进行加解密还可以验证本地更新模型的完整性,避免出现传递过程的损坏现象。
实施例三:图3是本申请实施例三提供的基于联邦学习的复杂机电系统数据协同管理系统的结构示意图。如图3所示,具体包括如下:
所述全局更新模型确定设备102还用于:
实时获取所连接的各数据采集设备的位置信息,根据所述位置信息以及预先设置的连接距离阈值确定是否存在超出连接距离阈值的第一目标数据采集设备;
若存在超出连接距离阈值的第一目标数据采集设备,则向其他全局更新模型确定设备发出当前位置获取请求,并接收其他全局更新模型确定设备传输的当前位置信息;
根据所述当前位置信息以及所述第一目标数据采集设备的位置信息,确定其他全局更新模型确定设备与所述第一目标数据采集设备的连接距离,并将连接距离最短的全局更新模型确定设备确定为第一目标全局更新模型确定设备;
获取所述第一目标数据采集设备的标识信息,根据所述标识信息生成第一目标数据采集设备重分配请求,并将所述第一目标数据采集设备重分配请求发送至第一目标全局更新模型确定设备,供所述第一目标全局更新模型确定设备根据所述数据采集设备重分配请求与所述第一目标数据采集设备进行连接。
本实施例中,位置信息可以是指各数据采集设备当前的地理位置坐标,具体的,可以表示为(经度,纬度)的形式。例如,某数据采集设备处于东经30°,北纬120°的位置,可以表示为(30°E,120°N)的形式。
预先设置的连接距离阈值可以是指在全局更新模型确定设备的设定中规定的允许连接的最大距离。若存在超过预先设置的连接距离阈值的数据采集设备,则全局更新模型确定设备会断开与此数据采集设备的连接,此数据采集设备可能会被分配至其他全局更新模型确定设备。
第一目标数据采集设备可以是指那些超出了连接距离阈值的数据采集设备,需要进行进一步处理,例如断开连接或者重新连接至其他全局更新模型确定设备。
全局更新模型确定设备可以使用全球定位系统来获得各数据采集设备的位置信息。根据获取到的位置信息以及预先设置的连接距离阈值,系统可以计算各设备之间的距离。如果某个数据采集设备与全局更新模型确定设备之间的距离超过了预先设置的连接距离阈值,则确定此数据采集设备为第一目标数据采集设备。
当前位置获取请求可以是一种请求消息,通知其他全局更新模型确定设备提供其当前位置信息。当前位置信息可以包含其他全局更新模型确定设备的地理坐标,也可以用(经度,纬度)的形式进行表示。
当识别到存在超出连接距离阈值的第一目标数据采集设备,则自动生成当前位置获取请求,并通过网络通信向其他全局更新模型确定设备发出当前位置获取请求。其他全局更新模型确定设备接收到此请求后,利用全球定位系统获取自身位置信息后,将自身位置信息利用网络通信传输给此全局更新模型确定设备。
连接距离可以是空间上的欧几里得距离,表示第一目标数据采集设备与其他全局更新模型确定设备之间的物理距离。例如,第一目标数据采集设备的坐标为(经度a,纬度a),其他某全局更新模型确定设备的坐标为(经度b,纬度b),则连接距离可以用以下公式进行表示:
;
当全局更新模型确定设备获得其他全局更新模型确定设备的当前位置信息以及第一目标数据采集设备的位置信息后,可以调用计算连接距离的公式确定其他全局更新模型确定设备与第一目标数据采集设备的连接距离,并选择连接距离最短的全局更新模型确定设备为第一目标全局更新模型确定设备。
标识信息可以是唯一标识第一目标数据采集设备的信息,具体的,可以是设备的ID(Identity document,唯一编码)。
第一目标数据采集设备重分配请求可以是一个信号或消息,表示全局更新模型确定设备请求系统中其他全局更新模型确定设备对第一目标数据采集设备进行重新分配。
全局更新模型确定设备可以通过系统中的存储标识信息的数据库获取第一目标数据采集设备的唯一标识。利用第一目标数据采集设备的标识信息,生成一个第一目标数据采集设备重分配请求,该请求还可以包含有关重新分配的具体信息,例如连接到的设备等。然后将第一目标数据采集设备重分配请求通过网络连接传输给第一目标全局更新模型确定设备。第一目标全局更新模型确定设备可以解析数据采集设备重分配请求,根据标识信息确定第一目标数据采集设备,通过更新网络配置以及分配通信端口等与第一目标数据采集设备进行连接。当某个全局更新模型确定设备未连接任何数据采集设备,可以暂时关闭此全局更新模型确定设备,当有其他数据采集设备接入时再启动此设备。
本实施例中,将超过预先设置的连接距离阈值的目标数据采集设备分配至其他目标全局更新模型确定设备,可以避免因连接距离过长导致的通信延迟以及传输中断等问题,提高通信效率以及稳定性。
实施例四:图3是本申请实施例四提供的基于联邦学习的复杂机电系统数据协同管理系统的结构示意图。如图3所示,具体包括如下:
所述全局更新模型确定设备102还用于:
实时监测自身实时负载,确定所述实时负载是否超过预先设置的负载阈值;
若超过预先设置的负载阈值,则获取所连接的数据采集设备的负载信息,根据所述负载信息以及预先设置的断连策略,确定所要断开连接的第二目标数据采集设备,并关闭与所述第二目标数据采集设备的通信通道;
向其他全局更新模型确定设备发送实时负载信息获取请求,并接收其他全局更新模型确定设备传输的实时负载信息;
获取所述第二目标数据采集设备的负载信息,根据所述第二目标数据采集设备的负载信息、所述其他全局更新模型确定设备传输的实时负载信息,以及预先设置的负载策略确定与第二目标数据采集设备连接的第二目标全局更新模型确定设备;
获取所述第二目标数据采集设备的标识信息,根据所述标识信息生成第二目标数据采集设备重分配请求,并将所述第二目标数据采集设备重分配请求发送至第二目标全局更新模型确定设备,供所述第二目标全局更新模型确定设备根据所述数据采集设备重分配请求与所述第二目标数据采集设备进行重连接。
本实施例中,自身实时负载可以是指全局更新模型确定设备当前的工作负担,可以通常以设备的处理器利用率、内存使用率以及网络带宽等指标来衡量。
预先设置的负载阈值可以是设定的一个上限,超过这个阈值就认为负载过重。
可以在全局更新模型确定设备中集成负载传感器,实时测量设备的负载情况,并将数据传输给全局更新模型确定设备。当确定自身实时负载后,可以将实时负载与预先设置的负载阈值进行对比,确定是否超过阈值。
所连接的数据采集设备的负载信息可以是指数据采集设备的当前负载状况,具体的,可以包括处理器利用率、内存使用率以及网络带宽等指标。
预先设置的断连策略可以是用于判断何时断开连接以保持系统的负载均衡的策略。
目标数据采集设备可以是根据负载信息和断连策略判断需要断开连接的设备。
通信通道可以是连接全局更新模型确定设备与数据采集设备之间的通讯通道,通过这个通道可以传输模型更新等信息。
全局更新模型确定设备可以实时监测连接的数据采集设备的负载信息。根据负载信息和断连策略的判断,确定需要断开连接的目标数据采集设备。例如,可以设置某个数据采集设备的处理器利用率超过了90%,则需要断开连接,此数据采集设备则为第二目标数据采集设备。当确定第二目标数据采集设备后,可以关闭与目标数据采集设备之间的通信通道,断开连接。
实时负载信息获取请求可以是全局更新模型确定设备询问其他设备关于它们的实时负载情况的请求消息。
实时负载信息可以是其他全局更新模型确定设备的处理器利用率、内存使用率以及网络带宽使用情况等信息。
全局更新模型确定设备可以将实时负载信息获取请求通过网络通信发送至其他全局更新模型确定设备,其他全局更新模型确定设备可以通过负载传感器,实时测量设备的实时负载信息,并将实时负载信息传输给此全局更新模型确定设备。
第二目标数据采集设备的负载信息可以是其处理器利用率以及内存使用率等。
预先设置的负载策略可以是确定与目标数据采集设备进行连接的的全局更新模型确定设备的策略,具体的,可以基于资源利用率、实时负载情况以及历史连接性能进行确定。例如,可以设定一个阈值,若某个全局更新模型确定设备的资源利用率超过设定的阈值,可能会被排除在重新连接的选择范围之外。还要考虑全局更新模型确定设备的实时负载情况,这是因为全局更新模型确定设备的当前工作负载可能影响其能力来处理额外的连接请求或数据传输。若此时还存在多个满足条件的全局更新模型确定设备,还可以基于历史性能进行决策。如果在过去的连接中某个全局更新模型确定设备表现出更好的性能和稳定性,则可以将其作全局更新模型确定设备。
可以向第二目标数据采集设备传输获取其负载信息的请求,第二目标数据采集设备接收到请求后获取负载传感器传输的负载信息,并将其通过通信网络传输给第二目标全局更新模型确定设备。当获得第二目标数据采集设备的负载信息后,可以首先筛选可以承受第二目标数据采集设备的负载的第二目标全局更新模型确定设备,然后结合预先设置的负载策略确定第二目标全局更新模型确定设备。
第二目标全局更新模型确定设备可以通过系统中的存储标识信息的数据库获取第二目标数据采集设备的唯一标识。利用第二目标数据采集设备的标识信息,生成一个第二目标数据采集设备重分配请求,该请求还可以包含有关重新分配的具体信息,例如连接到的设备等。然后将第二目标数据采集设备重分配请求通过网络连接传输给第二目标全局更新模型确定设备。第二目标全局更新模型确定设备可以解析数据采集设备重分配请求,根据标识信息确定第二目标数据采集设备,通过更新网络配置以及分配通信端口等与第二目标数据采集设备进行连接。
本实施例中,通过监测全局更新模型确定设备的负载情况,可以实现更均衡的负载分配,防止某些全局更新模型确定设备过度负担,从而提高整个系统的响应性能,降低通信延迟,提高数据传输效率。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (9)
1.一种基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述系统包括:至少两台数据采集设备、至少两台全局更新模型确定设备以及全局模型更新设备;
数据采集设备,与所述全局更新模型确定设备连接,用于采集本地数据,根据所述本地数据实时进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备;
全局更新模型确定设备,与所述全局模型更新设备连接,用于接收数据采集设备传输的本地更新模型,并使用模型聚合算法对所述本地更新模型进行整合,得到至少一个全局更新模型,并将所述至少一个全局更新模型发送至全局模型更新设备;其中,模型聚合算法为:
;
其中,表示得到的全局更新模型中的全局更新模型参数;K表示联邦学习中的数据采集设备数量;k表示设备的索引;/>表示设备k上的样本数量;/>表示设备k在时间t上的本地更新模型参数;/>表示学习率,控制模型参数的更新步长;/>表示设备k上在当前模型参数/>下的损失函数的梯度;/>表示联邦学习中的正则化参数;/>表示当前设备k上本地更新模型参数和全局更新模型参数之间的差异;
全局模型更新设备,用于初始化全局模型,接收各全局更新模型确定设备传输的全局更新模型,并根据所述至少一个全局更新模型更新所述全局模型;
全局模型更新设备,还用于获取机电系统的电力需求信息,根据所述全局模型以及所述电力需求信息确定电力分配策略,并将所述电力分配策略发送至机电系统,供所述机电系统根据所述电力分配策略管理电力分配;
所述全局更新模型确定设备还用于:
实时获取所连接的各数据采集设备的位置信息,根据所述位置信息以及预先设置的连接距离阈值确定是否存在超出连接距离阈值的第一目标数据采集设备;
若存在超出连接距离阈值的第一目标数据采集设备,则向其他全局更新模型确定设备发出当前位置获取请求,并接收其他全局更新模型确定设备传输的当前位置信息;
根据所述当前位置信息以及所述第一目标数据采集设备的位置信息,确定其他全局更新模型确定设备与所述第一目标数据采集设备的连接距离,并将连接距离最短的全局更新模型确定设备确定为第一目标全局更新模型确定设备;
获取所述第一目标数据采集设备的标识信息,根据所述标识信息生成第一目标数据采集设备重分配请求,并将所述第一目标数据采集设备重分配请求发送至第一目标全局更新模型确定设备,供所述第一目标全局更新模型确定设备根据所述数据采集设备重分配请求与所述第一目标数据采集设备进行连接。
2.所述全局更新模型确定设备还用于:
实时监测自身实时负载,确定所述实时负载是否超过预先设置的负载阈值;
若超过预先设置的负载阈值,则获取所连接的数据采集设备的负载信息,根据所述负载信息以及预先设置的断连策略,确定所要断开连接的第二目标数据采集设备,并关闭与所述第二目标数据采集设备的通信通道;
向其他全局更新模型确定设备发送实时负载信息获取请求,并接收其他全局更新模型确定设备传输的实时负载信息;
获取所述第二目标数据采集设备的负载信息,根据所述第二目标数据采集设备的负载信息、所述其他全局更新模型确定设备传输的实时负载信息,以及预先设置的负载策略确定与第二目标数据采集设备连接的第二目标全局更新模型确定设备;
获取所述第二目标数据采集设备的标识信息,根据所述标识信息生成第二目标数据采集设备重分配请求,并将所述第二目标数据采集设备重分配请求发送至第二目标全局更新模型确定设备,供所述第二目标全局更新模型确定设备根据所述数据采集设备重分配请求与所述第二目标数据采集设备进行重连接。
3.根据权利要求1所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述数据采集设备,还用于:
获取预先存储的模型训练时间间隔,根据所述模型训练时间间隔以及本地数据进行本地模型训练,得到至少一个本地更新模型,并将所述至少一个本地更新模型发送至全局更新模型确定设备。
4.根据权利要求1所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述数据采集设备,还用于:
向全局更新模型确定设备发送加密算法确定请求,并接收所述全局更新模型确定设备反馈的加密算法支持列表,根据所述加密算法支持列表以及预先确定的加密算法确定规则,确定第一加密算法;
将所述第一加密算法传发送至全局更新模型确定设备,供所述全局更新模型确定设备根据所述第一加密算法与所述数据采集设备进行通信。
5.根据权利要求3所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述数据采集设备,还用于:
根据所述第一加密算法对本地更新模型进行加密,得到加密密文,并将所述加密密文发送至全局更新模型确定设备;
相应的,所述全局更新模型确定设备用于:
接收数据采集设备传输的加密密文,根据所述第一加密算法确定对应的解密算法,并使用所述解密算法对所述加密密文进行解密,得到本地更新模型。
6.根据权利要求1所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述全局更新模型确定设备还用于:
向全局模型更新设备发送加密算法确定请求,并接收所述全局模型更新设备反馈的加密算法支持列表,根据所述加密算法支持列表以及加密算法确定规则,确定第二加密算法;
将所述第二加密算法传发送至全局模型更新设备,供所述全局模型更新设备根据所述第二加密算法与所述全局更新模型确定设备进行通信。
7.根据权利要求5所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述全局更新模型确定设备还用于:
根据所述第二加密算法对全局更新模型进行加密,得到加密密文,并将所述加密密文发送至全局模型更新设备;
相应的,所述全局模型更新设备用于:
接收全局更新模型确定设备传输的加密密文,根据所述第二加密算法确定对应的解密算法,并使用所述解密算法对所述加密密文进行解密,得到全局更新模型。
8.根据权利要求1所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述全局模型更新设备还用于:
确定所生成的全局模型是否达到预先设置的全局模型评估标准;
若未达到全局模型评估标准,则持续向全局更新模型确定设备发送全局更新模型继续获取指令,供所述全局更新模型确定设备根据全局更新模型继续获取指令持续生成本地更新模型继续获取指令,并发送至数据采集设备,接收所述数据采集设备根据所述本地更新模型继续获取指令持续生成的至少一个本地更新模型,以及根据所述至少一个本地更新模型持续生成至少一个全局更新模型,并发送至全局模型更新设备;
接收所述全局更新模型确定设备持续生成的至少一个全局更新模型,根据所述至少一个全局更新模型持续更新所述全局模型,直至所述全局模型达到预先设置的全局模型评估标准。
9.根据权利要求1所述的基于联邦学习的复杂机电系统数据协同管理系统,其特征在于,所述全局更新模型确定设备还用于:
若接收到用户传输的业务变化信息,则根据所述业务变化信息以及本地更新模型重新生成全局更新模型,并将所述全局更新模型传输给所述全局模型更新设备,供所述全局模型更新设备根据所述全局更新模型更新全局模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148952.1A CN118133338A (zh) | 2024-02-02 | 2024-02-02 | 基于联邦学习的复杂机电系统数据协同管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410148952.1A CN118133338A (zh) | 2024-02-02 | 2024-02-02 | 基于联邦学习的复杂机电系统数据协同管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118133338A true CN118133338A (zh) | 2024-06-04 |
Family
ID=91236855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410148952.1A Pending CN118133338A (zh) | 2024-02-02 | 2024-02-02 | 基于联邦学习的复杂机电系统数据协同管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118133338A (zh) |
-
2024
- 2024-02-02 CN CN202410148952.1A patent/CN118133338A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108279383B (zh) | 电池寿命预测方法、电池数据服务器及电池数据处理系统 | |
Tao et al. | Foud: Integrating fog and cloud for 5G-enabled V2G networks | |
CN101444037A (zh) | 用于多个设备域的自适应数字权限管理系统 | |
KR20190032517A (ko) | 위험 식별 방법, 클라이언트 디바이스 및 위험 식별 시스템 | |
JPWO2020111133A1 (ja) | 交通支援システム、サーバ及び方法、車載装置及びその動作方法、コンピュータプログラム、記録媒体、コンピュータ、並びに半導体集積回路 | |
CN110225143B (zh) | 一种智慧安防数据系统 | |
US20150208337A1 (en) | Providing access point information to a user | |
JP6752885B2 (ja) | ルータアドレス種別識別方法及び装置 | |
CN101306686A (zh) | 汽车远程诊断控制系统 | |
CN104581640A (zh) | 一种实现车联网接人功能的云服务器、系统及方法 | |
CN103034267A (zh) | 用于控制设施装置的设备和方法 | |
AU2019451095A1 (en) | Environmental management system | |
CN116880555B (zh) | 一种基于边缘计算的无人机机群调度系统 | |
CN118133338A (zh) | 基于联邦学习的复杂机电系统数据协同管理系统 | |
Kolosz et al. | Appraisal and evaluation of interurban ITS: A European survey | |
US11815870B2 (en) | Carrying out calculation methods with a control unit of a transportation vehicle | |
CN112260881A (zh) | 数据传输方法、装置、电子设备和可读存储介质 | |
JP6551999B2 (ja) | ユーザの移動対象物を推定する装置、プログラム及び方法 | |
CN114884753B (zh) | 一种应用于工业互联网云服务平台的数据访问处理方法 | |
CN114979281B (zh) | 一种应用于工业互联网云服务平台的数据交互方法 | |
CN113961222A (zh) | 一种轨道交通软件远程维护方法及装置、存储介质 | |
KR102435830B1 (ko) | 네트워크 인프라 시스템 및 이를 이용한 데이터 공유 및 서비스 최적화를 위한 데이터 처리 방법 | |
US10545217B2 (en) | Systems and methods for electronic device fleet management | |
CN109905461B (zh) | 一种基于云服务的信息交换方法及系统 | |
CN117575291B (zh) | 基于边缘参数熵的联邦学习的数据协同管理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |